OpenCV【6】---使用均值漂移（Mean Shift）算法实时跟踪视频流中的物体

1 均值漂移算法简介

  均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。所谓跟踪，就是通过已知的图像帧中的目标位置找到目标在下一帧中的位置。均值漂移算法显著的优点是算法计算量小，简单易实现,很适合于实时跟踪场合；但是跟踪小目标和快速移动目标时常常失败，而且在全部遮挡情况下不能自我恢复跟踪。通过实验提出应用核直方图来计算目标分布，证明了均值漂移算法具有很好的实时性特点。均值漂移在聚类、图像平滑、分割、跟踪等方面有着广泛的应用。

2 均值漂移算法中的非参数估计方法

  非参数估计和参数估计（即，监督参数估计和非监督参数估计）共同构成了概率密度估计方法。非参数估计也有人将其称之为无参密度估计，它是一种对先验知识要求最少，完全依靠训练数据进行估计，而且可以用于任意形状密度估计的方法。常见的非参数估计方法有以下几种：
  A.直方图：把数据的值域分为若干相等的区间，数据按照区间分为若干组，每组形成一个矩形，矩形的高和该组数据的多少成正比，其底为所属区间，将这些矩形依次排列组成的图形就是直方图。它提供给数据一个直观的形象，但只适合低维数据的情况，当维数较高时，直方图所需的空间将随着维数的增加呈指数级增加。
  B.核密度估计(Kernel Density Estimates，简称KDE)：就是采用平滑的峰值函数(“核”)来拟合观察到的数据点，从而对真实的概率分布曲线进行模拟。原理和直方图有些类似，是一种平滑的无参密度估计方法。对于一组采样数据，把数据的值域分为若干相等的区间，每个区间称为一个bin，数据就按区间分为若干组，每组数据的个数和总参数个数的比率就是每个bin的概率值。相对于直方图法，它多了一个用于平滑数据的核函数。核密度估计方法适用于中小规模的数据集，可以很快地产生一个渐近无偏的密度估计，有良好的概率统计性质。具体来说，如果数据为x1,x2,…,xn，在任意点x的一种核密度估计为：

  绘制成直方图是这样的：

  而使用KDE则是：

  其中 K(*)称为核函数,满足对称性及 ，h称为带宽，一般，h越大，估计的密度函数就越光滑，但偏差可能较大，如果h选的较小，那么估计的密度曲线和样本拟合的较好，但可能很不光滑，选择的原则是使得均方误差最小为宜(交叉验证法，直接插入法)。该估计利用数据点xi到x的距离来决定xi在估计点x的 密度时所起的作用，距离x越近的样本点所起的作用就越大，其权值也就越大。常用的核函数有：矩形、Epanechnikov曲线、高斯曲线等。
  C.局部多项式密度估计：目前最流行，效果很好的密度估计 方法。对每一个点x拟合一个局部多项式来估计该点的密度。
  D.K近邻估计：核密度估计的加权是以数据点到x的欧式距离为基准来进行的，而K近邻估计是无论欧氏距离多少，只要是x点的最近的k个点的其中之一就可参与加权。一种具体的k近邻密度估计：

  令d1<=…<=dn表示按升幂排列的x到所有n个样本点的欧氏距离。K的取值决定了估计密度曲线的光滑程度，k越大越光滑。与核估计结合起来定义广义的k近邻估计:

E.多元密度估计：上述的几种估计方法都是一元密度估计方法。假定x为d维向量